Les humains dans les chaînes d'approvisionnement modernes

Joannes Vermorel

Les chaînes d’approvisionnement sont des systèmes complexes, peut-être parmi les plus complexes jamais conçus par l’homme, englobant des personnes (nombreuses), des machines (diverses) et des logiciels (en quantité). La perspective que j’ai récemment publiée sur le DDMRP a suscité une discussion animée. Cela m’a amené à réfléchir davantage aux différences fondamentales entre la Supply Chain Quantitative (QSCM) et le DDMRP. Au fond, ces deux visions sont profondément en désaccord sur le rôle des humains au sein des chaînes d’approvisionnement.

La QSCM est fermement ancrée dans la vision classique d’IBM :

les machines doivent travailler ; les gens doivent réfléchir ;

En revanche, le DDMRP adopte une position d’éducation de masse, résumée au mieux par sa devise :

conçu pour les gens, pas pour la perfection ;

Bien que la position philosophique à l’égard des humains dans les chaînes d’approvisionnement n’explique pas toutes les différences entre la QSCM et le DDMRP, elle met en lumière pourquoi ces deux perspectives sont en partie inconciliables.

Pénurie vs abondance de praticiens de la chaîne d’approvisionnement

Les praticiens de la chaîne d’approvisionnement sont reconnus comme une ressource précieuse pour l’entreprise à la fois par le DDMRP et la QSCM. Cependant, les deux approches diffèrent considérablement quant à la manière dont cet aspect est pris en compte dans leur méthodologie respective.

La QSCM part de l’hypothèse que chaque décision banale de la chaîne d’approvisionnement devrait être automatisée¹. Cette perspective souligne que les praticiens compétents de la chaîne d’approvisionnement sont considérés comme trop rares et trop chers pour consacrer leur temps à la prise de décisions concernant les stocks, les achats ou les prix. Toutes ces décisions peuvent et doivent être automatisées, de sorte que les praticiens puissent se concentrer sur l’amélioration de la recette numérique elle-même. D’un point de vue financier, la QSCM transforme ces salaires d’OPEX, où les jours-hommes sont consommés pour maintenir le système en marche, en CAPEX, où les jours-hommes sont investis dans l’amélioration continue du système.

L’approche du DDMRP part de l’hypothèse que les praticiens compétents de la chaîne d’approvisionnement peuvent être formés en masse², réduisant ainsi à la fois le coût pour l’employeur et le facteur bus associé au départ de tout employé. De plus, en adoptant des recettes numériques spécifiquement adaptées au traitement humain, les investissements OPEX peuvent eux-mêmes être réduits. Le DDMRP établit un processus pour générer des décisions banales de la chaîne d’approvisionnement, mais l’automatisation complète est principalement un non-objectif³, bien que le DDMRP ne soit pas opposé à l’automatisation chaque fois que l’occasion se présente.

Fait intéressant, il devrait être possible d’observer dans une certaine mesure si l’industrie se dirige vers la perspective de la QSCM ou du DDMRP. Si la perspective de la QSCM est adoptée plus largement, alors les équipes de gestion de la chaîne d’approvisionnement évolueront pour devenir plus semblables à d’autres industries “talentueuses”, comme la finance avec leurs traders quantitatifs, où quelques individus exceptionnellement talentueux influencent la performance de grandes entreprises. En revanche, si la perspective du DDMRP est adoptée plus largement, alors les équipes de gestion de la chaîne d’approvisionnement évolueront pour devenir plus semblables à des franchises réussies - par exemple, les directeurs de magasin Starbucks - où les individus exceptionnels ont peu d’effet sur le système - mais où une culture supérieure fait toute la différence entre les entreprises.

Transparence locale vs globale

La QSCM et le DDMRP s’efforcent tous deux d’éviter l’effet de la boîte noire qui est inhérent à toute tentative d’optimisation d’un système complexe. Les deux approches valorisent l’idée d’atteindre un certain degré de transparence de la chaîne d’approvisionnement; cependant, en raison de divergences d’hypothèses initiales, les deux approches aboutissent à des perspectives très différentes sur ce que transparence implique.

Du point de vue de la QSCM, la transparence doit être atteinte avant tout au niveau de la gestion grâce à des facteurs économiques quantifiés explicites⁴. Chaque décision produite par le système doit être soutenue par une série de facteurs - mesurés en montants monétaires (par exemple, des dollars) - qui motivent pourquoi cette décision est proposée. Par exemple, une décision d’achat est motivée par la marge supplémentaire qui sera générée en ayant un stock supplémentaire (plutôt que pas du tout), mais également impactée négativement par les coûts de possession et un risque accru de dépréciation des stocks. La gestion est en contrôle des facteurs économiques, et, au niveau du système, la QSCM est très transparente : le système déploie simplement à grande échelle les implications complexes mais banales de ces facteurs. Cependant, l’inconvénient d’une telle optimisation à l’échelle du système est que décrypter les détails d’une décision donnée est compliqué, précisément parce que chaque décision est un équilibre complexe de nombreux facteurs évalués par rapport à de nombreux futurs possibles.

Du point de vue du DDMRP, la transparence est destinée et fournie au niveau opérationnel. La simplicité des recettes numériques garantit que chaque décision peut facilement être évaluée comme correcte simplement en “estimant” ce que devrait être le résultat. De plus, il est toujours possible de reproduire les calculs dans un tableur. De plus, grâce aux listes de priorités, le DDMRP atténue la complexité inhérente des chaînes d’approvisionnement en fournissant un mécanisme d’attention aux praticiens de la chaîne d’approvisionnement, de sorte qu’ils n’aient pas à revisiter manuellement tous les SKUs tout le temps. Cependant, l’inconvénient d’une stratégie d’optimisation locale telle que celle offerte par le DDMRP est que les résultats à l’échelle du système, lorsqu’ils sont mesurés en montants monétaires, sont opaques. Par exemple, le DDMRP ne donne aucun contrôle à la direction pour ajuster un compromis systémique tel que la résilience par rapport à la croissance⁵ lorsqu’il s’agit du risque de perte brutale d’un client important et en croissance qui avait jusqu’à présent commandé divers produits en quantités diverses.

Il n’est pas possible d’avoir à la fois une transparence locale et globale : soit les décisions sont optimisées localement (comme dans DDMRP) avec des recettes numériques simples, auquel cas il n’y a aucun contrôle ni transparence sur ce qui se passe au niveau du système ; soit les décisions sont optimisées globalement, auquel cas toutes les décisions ont tendance à être numériquement entrelacées, comme c’est le cas avec QSCM, ce qui complique toute tentative d’atteindre la transparence tout en choisissant une décision isolée.